 |
-- 會員 / 註冊 --
|
 |
|
|
|
量子群智能及其在通信技術中的應用 ( 簡體 字) |
| 作者：高洪元,刁鳴 | 類別：1. -> 程式設計 -> 綜合 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 44247
詢問書籍請說出此書號！【有庫存】
NT售價： 240 元 |
| 出版日：6/1/2016 |
| 頁數：244 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121288142 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：無線通信是當今科學技術發展最活躍的領域。在無線通信飛速發展的今天，頻譜資源和系統性能都難以跟上實際需求的快速增長，成為制約無線通信持續發展的主要因素。研究通信系統的關鍵技術對合理分配頻譜資源、確定系統參數和滿足系統多目標要求有深遠意義。因此，本書根據智能計算的最新進展，在量子群智能理論的基礎上進行學科交叉，介紹了量子群智能頻譜分配、頻譜感知、多用戶檢測、測向和決策引擎等具有重要的理論價值和現實意義的通信關鍵技術。基于量子群智能的通信關鍵技術是當前智能計算和通信領域的研究熱點，在工業和國防科技領域具有廣闊的應用前景。希望本書的出版將對量子群智能和通信技術的持續發展起到推進作用。
本書闡述了作者及其團隊在量子群智能領域的學術研究成果及其在通信技術中的應用，闡明了在通信技術中使用量子群智能的可行性、有效性及其對后續科研思路的啟發。量子群智能在通信技術中的應用是智能計算與通信技術領域結合的一個前沿和富有挑戰性的研究方向，它以量子群智能理論為基礎，側重于介紹如何設計目標函數去解決通信技術中所面對的技術難題，如何根據工程問題設計量子群智能算法去快速可靠地解決工程優化問題。本書在介紹量子智能相關理論的基礎上，闡述了智能計算的新發展——量子群智能計算，內容主要包括：量子粒子群算法、量子蛙跳算法、量子蜂群算法、量子細菌覓食算法、量子神經網絡、量子文化算法、量子文化群智能、量子膜群算法和多目標量子膜群算法。并且給出了量子群智能在通信技術中的具體應用，解決了多用戶檢測、頻譜分配、決策引擎、頻譜感知、沖擊噪聲測向和非圓信號測向等通信技術中的熱點和難點問題。同時介紹了當前量子群智能及其應用的一些最新技術，如多目標頻譜分配、量子膜群、量子文化群、智能非圓測向和智能沖擊噪聲環境測向等通信技術和智能計算領域的熱點問題，做到理論和具體應用的有機結合。
本書內容安排盡可能考慮適合高等學校相關專業研究生及博士生的實際研究和教學要求，做到深入淺出、重點突出，讀者可以在相對較短的時間內入門并深入進去。本書可使讀者在了解和學習量子群智能和通信技術最新科研成果的同時，在量子群智能和通信技術兩個方向得到啟發。本書可作為相關學科研究人員的教學和科研用書。
本書第4、8、9章的部分內容由刁鳴教授撰寫，其他章節內容由高洪元副教授撰寫。在論文寫作過程中，感謝碩士研究生李晨琬、杜亞男、李佳、劉丹丹和梁炎松在文獻和文稿整理方面所付出的工作和努力。由于量子群智能和通信技術發展迅猛、應用廣泛，再加上作者的水平有限，難免存在缺點和不足之處，敬請讀者批評指正！
本專著獲得了如下基金的資助：國家自然科學基金（No.61102106，No.61571149）、中國博士后科學基金特別資助（No.2015T80325）、中國博士后科學基金1等資助（No.2013M530148）、黑龍江省博士后科學基金（No.LBHZ13054）和中央高校基本科研業務費（No.HEUCF150817），在此表示衷心感謝。本專著的撰寫主要在訪學期間完成，特此感謝中國留學基金委的資助。
高洪元 |
內容簡介：本書共分9章，主要內容包括量子粒子群、量子蛙跳算法、量子蜂群、量子細菌覓食、量子神經網絡、量子文化算法、量子文化群智能、量子膜群算法、多目標量子膜群算法、多用戶檢測、頻譜分配、決策引擎、頻譜感知、沖擊噪聲測向、非圓信號測向等通信技術中的熱點和難點問題。 本書可使讀者在了解和學習量子群智能和通信技術最新科研成果的同時，在量子群智能和通信技術兩個方向得到啟發，也可作為相關學科的教材和科研用書。 |
目錄：第1章 緒論 1
1.1 量子群智能計算簡介 1
1.2 單目標和多目標優化問題 3
1.2.1 單目標優化問題的數學模型 5
1.2.2 單目標約束優化問題的求解方法 5
1.2.3 多目標優化問題的數學模型 7
1.2.4 多目標優化方法簡介 9
1.3 智能計算在通信技術中的應用 11
1.3.1 簡介 11
1.3.2 展望 15
1.4 本書內容和結構安排 17
參考文獻 19
第2章 用于離散優化問題的量子群智能計算 29
2.1 量子粒子群算法 30
2.1.1 雙鏈編碼的量子粒子群算法 30
2.1.2 單鏈編碼的量子粒子群算法[2] 32
2.1.3 性能測試 34
2.2 量子蜂群算法 37
2.2.1 雙鏈編碼的量子蜂群算法[5] 37
2.2.2 單鏈編碼的量子蜂群算法 40
2.2.3 性能測試 42
2.3 量子細菌覓食算法 43
2.3.1 雙鏈編碼的量子細菌覓食算法 44
2.3.2 量子細菌覓食算法的收斂性分析 47
2.3.3 性能測試 49
2.4 小結 50
參考文獻 50
第3章 用于連續優化問題的量子群智能計算 52
3.1 量子蛙跳算法 53
3.1.1 混合蛙跳算法 53
3.1.2 量子蛙跳算法[4] 55
3.1.3 性能測試 58
3.2 量子文化蛙跳算法[9] 60
3.2.1 量子規范知識 60
3.2.2 量子文化蛙跳算法的實現 61
3.2.3 性能測試 64
3.3 量子細菌覓食算法 65
3.3.1 細菌覓食算法 66
3.3.2 量子細菌覓食優化算法[16] 69
3.3.3 性能測試 71
3.4 小結 73
參考文獻 74
第4章 基于量子智能算法的多用戶檢測 76
4.1 多用戶檢測的數學模型 78
4.1.1 噪聲模型 78
4.1.2 高斯噪聲下的多用戶檢測數學模型 79
4.2 高斯噪聲環境的典型多用戶檢測方法 83
4.2.1 傳統檢測器 83
4.2.2 最優多用戶檢測器 84
4.2.3 Hopfield神經網絡多用戶檢測器 86
4.3 基于免疫克隆量子算法的多用戶檢測[13] 87
4.3.1 神經網絡制備疫苗的方法框架 88
4.3.2 基于免疫克隆量子算法的多用戶檢測器 89
4.3.3 試驗仿真 93
4.4 量子HOPFIELD神經網絡的多用戶檢測設計 95
4.4.1 量子Hopfield神經網絡 96
4.4.2 基于量子神經網絡的多用戶檢測 98
4.4.3 基于量子神經網絡的多用戶檢測器仿真 99
4.5 量子蜂群算法的魯棒多用戶檢測 100
4.5.1 魯棒多用戶檢測器 101
4.5.2 新量子蜂群算法 102
4.5.3 基于量子蜂群算法的魯棒多用戶檢測[37] 104
4.5.4 試驗仿真 105
4.6 小結 107
參考文獻 107
第5章 基于量子群智能的認知無線電決策引擎 112
5.1 認知無線電決策引擎模型和三種典型的決策引擎 114
5.1.1 智能計算的認知決策引擎 114
5.1.2 基于智能計算的認知決策引擎方法 117
5.2 單目標膜量子蜂群算法及其在決策引擎上的應用[20] 123
5.2.1 膜結構簡介 123
5.2.2 膜量子蜂群優化算法 124
5.2.3 膜量子蜂群優化算法的性能測試 128
5.2.4 基于膜量子蜂群算法的認知無線電決策引擎 130
5.2.5 決策引擎試驗仿真 131
5.3 基于量子細菌覓食算法的綠色認知無線電參數調整 134
5.3.1 綠色認知無線電參數調整模型 135
5.3.2 量子細菌覓食算法的綠色認知無線電參數調整[29] 137
5.3.3 試驗仿真 138
5.4 小結 141
參考文獻 142
第6章 基于量子群智能的頻譜分配 146
6.1 頻譜分配模型 147
6.1.1 圖論著色模型 147
6.1.2 單目標頻譜分配 149
6.1.3 多目標頻譜分配 150
6.2 基于量子粒子群算法的單目標頻譜分配 151
6.2.1 基于單鏈量子粒子群算法的認知無線電頻譜分配[15] 151
6.2.2 仿真結果分析 152
6.3 基于多目標膜量子蜂群的多目標頻譜分配[16] 155
6.3.1 膜量子蜂群的基本演進規則 156
6.3.2 膜量子蜂群的膜框架 158
6.3.3 基于多目標膜量子蜂群算法的多目標頻譜分配技術 161
6.3.4 頻譜分配實驗仿真 163
6.4 小結 167
參考文獻 168
第7章 量子群智能的頻譜感知技術 171
7.1 線性協作頻譜感知模型 172
7.2 合作式頻譜感知的基本算法 174
7.2.1 基于修正偏差因子的頻譜感知方法 174
7.2.2 基于粒子群算法的頻譜感知 175
7.2.3 計算機仿真 177
7.3 基于連續量子細菌覓食算法的頻譜感知技術 178
7.3.1 量子細菌覓食算法的頻譜感知[15] 178
7.3.2 計算機仿真 181
7.4 小結 184
參考文獻 184
第8章 基于量子智能計算的DOA估計 187
8.1 經典DOA估計模型和算法 188
8.1.1 DOA估計模型 188
8.1.2 經典測向算法 189
8.1.3 基于量子蛙跳算法的測向方法 190
8.1.4 試驗仿真 191
8.2 基于高階累積量和文化量子算法的測向方法[18] 192
8.2.1 基于高階累積量的廣義加權子空間擬合算法 193
8.2.2 文化量子算法 196
8.2.3 基于文化量子算法的廣義高階加權信號子空間擬合測向 199
8.2.4 試驗仿真 200
8.3 基于量子文化蛙跳算法的非圓信號DOA估計[27] 203
8.3.1 非圓極大似然算法 203
8.3.2 基于量子文化蛙跳算法的極大似然測向 204
8.3.3 試驗仿真 206
8.4 小結 207
參考文獻 208
第9章 沖擊噪聲環境下的量子智能計算DOA估計 211
9.1 沖擊噪聲環境下的測向模型 212
9.1.1 三種低階矩 212
9.1.2 三種低階矩的對比 213
9.2 基于量子文化細菌覓食算法的無窮范數最大似然測向方法[10] 215
9.2.1 量子文化細菌覓食算法 215
9.2.2 量子文化細菌覓食算法的無窮范數極大似然測向 218
9.2.3 試驗仿真 221
9.3 基于量子粒子群的動態測向方法 225
9.3.1 沖擊噪聲下的動態測向模型 225
9.3.2 連續量子粒子群優化算法 226
9.3.3 量子粒子群優化算法的動態測向方法[18] 228
9.3.4 試驗仿真 229
9.4 小結 231
參考文獻 232 |
| 序： |
|
